في ظل التطور السريع للأنظمة الذاتية (Agentic Systems)، أصبحت النماذج اللغوية الصغيرة (SLMs) عنصرًا محوريًا في تحسين الكفاءة والتكاليف، بدلًا من الاعتماد المستمر على النماذج الكبيرة (LLMs). تُظهر دراسة حديثة أن النماذج الصغيرة، التي تتراوح أعداد معاملاتها بين 3 إلى 8 مليارات، تُقدّم أداءً متفوقًا في المهام الروتينية، مما يجعلها المرشحة المثالية للاستخدام الافتراضي في التدفقات الذاتية. تُعد "مُوجّه الباب الأمامي" (Front-door Router) أو "الClassifier" النواة الأساسية في هذه الأنظمة، حيث يستقبل الطلبات الواردة ويُوجّهها بناءً على عوامل متعددة مثل القصد، التكلفة، زمن الاستجابة، درجة عدم اليقين، ونوع المهمة. ويُستخدم سجل القدرات (Capability Registry) لتصنيف النماذج الصغيرة حسب مهاراتها: كشف القصد، استخراج المعلومات، استخدام الأدوات، كتابة الشيفرة، وغيرها. في المقابل، تُستأنف النماذج الكبيرة فقط عند مواجهة مهام معقدة أو غير مُحتملة. الرؤية المستقبلية للأنظمة الذاتية لا تكمن في تكبير النماذج، بل في تحسين تنسيقها الذكي. تخيل أن الطلب الأول الذي يتلقاه النظام يُعالج فورًا بواسطة نموذج صغير بحجم 3–8 مليارات معامل. هذا النموذج الصغير يُؤدي معظم المهام الأساسية: تحديد الأدوات المناسبة، استخراج العناصر المهمة، إنتاج إخراج صارم بصيغة JSON أو YAML متوافقة مع هيكل مسبق، وحتى تنسيق خطط متعددة الخطوات. أما النموذج الكبير فيُستدعى فقط عند الحاجة، كحل احتياطي. يتم تفعيل هذا الحل الاحتياطي وفقًا لمؤشرات واضحة: عند فشل النموذج الصغير، يُرسل الطلب إلى النموذج الكبير مع سياق كامل للحوار، وسجل فشل النموذج الصغير، وتعليمات دقيقة. بعد إنتاج النموذج الكبير للإجابة، تمر النتيجة عبر نفس معايير التحقق. إذا نجحت، تُقبل؛ وإذا فشلت، يُعاد المحاولة أو يُفعّل تدخل بشري. في الحالات الحساسة — مثل المعاملات المالية، معالجة بيانات شخصية، أو حذف بيانات إنتاجية — لا تُنفّذ العمليات تلقائيًا. هناك نموذجان للعمل: إما أن يقترح النموذج الصغير، ثم يُراجع قراره نموذج ثانٍ (صغير أو كبير)، أو عند ارتفاع درجة عدم اليقين أو خطر السياسة، يُرسل الإشعار إلى إنسان لاتخاذ القرار. كل تدخل بشري يُسجّل كـ"مُثال ذهبي" (golden counterfactual)، ويُستخدم كبيانات تدريب لتحسين النماذج. كل شيء يُسجّل بدقة: النص المُدخل، الإخراج، زمن الاستجابة، التكلفة، أخطاء التحقق، معدلات التصعيد، ودرجات عدم اليقين. هذه البيانات تُصبح مادة تدريبية لتطوير نماذج مُعدّلة (adapters) تُحسّن باستمرار. الخطة العملية تتكون من خمس خطوات: أولاً، تفعيل التسجيل التام لجميع عمليات النموذج الكبير لمدة أسبوعين. ثانيًا، تجميع المهام وتحديد أن 80% منها تُعد من فئة استخراج البيانات، التوجيه، أو استدعاء أدوات بسيطة. ثالثًا، تدريب نماذج صغيرة متخصصة باستخدام تقنيات مثل LoRA على 10–50 ألف مثال مُجهّل. رابعًا، استبدال النماذج الكبيرة بنسخ صغيرة خلف مُوجّه، مع إمكانية التصعيد عند الحاجة، ما يؤدي إلى انخفاض في تكلفة الرموز (tokens) بنسبة 20 إلى 100 مرة. وأخيرًا، التكرار المستمر من خلال التقييم البشري، الحواجز الأمنية، وتحديث النماذج بناءً على سجلات الفشل. النتيجة؟ أنظمة ذاتية أكثر ذكاءً، وأقل تكلفة، وأكثر أمانًا، تتعلم باستمرار من تجاربها الحقيقية — وليس من بيانات عامة.